Análise de fluidos via técnicas de decomposição em modos dinâmicos e aprendizado profundo

• Ano de defesa: 2019
• Autor(a) principal: Ramos, Eliaquim Monteiro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Aprendizado por computador; Fluidos; Decomposição (Matemática); CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO
• Link de acesso: https://tede.lncc.br/handle/tede/302

Neste trabalho, apresentamos duas abordagens para a análise de fluidos produzidos por meio de simulações numéricas e gravação de vídeos em experimentos físicos. Nesta dissertação, consideramos um autoencoder, que corresponde a uma técnica de aprendizado não supervisionado, treinado para reproduzir sua entrada na camada de saída, no nosso caso, campos de velocidade obtidos por simulações de fluidos. O autoencoder utilizado é basicamente formado por duas redes neurais do tipo Multilayer Perceptron (MLP), uma computando o encoder e outra o decoder. A saída do encoder fornece um espaço de características mais compacto para a descrição dos campos de interesse, o qual é utilizado dentro de um pipeline para geração de um sumário visual da simulação. No contexto de processamento de vídeos, utilizamos a técnica de Decomposição em Modos Dinâmicos (DMD), que tem por objetivo representar uma série temporal projetando os dados em um espaço de dimensão reduzida, facilitando assim a extração de informações dinâmicas dos campos em estudo. Nesta dissertação, o DMD foi utilizado para analisar vídeos contendo escoamentos bifásicos de fluidos. Nesta aplicação, utilizou-se o DMD tradicional e uma variação do mesmo denominada DMD do tipo esparso (SPDMD). A proposta é estudar estes métodos do ponto de vista da preservação da interface entre as duas fases do fluido, bem como aspectos de suas parametrizações. Para isso, foi necessário também desenvolver uma abordagem de segmentação automática para realizar a extração da interface no vídeo original e na sua versão reconstruída através das técnicas de DMD. Os resultados mostram que o DMD tradicional é mais eficiente que o SPDMD em relação à preservação da interface.